Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Αναζήτηση Κώδικα με Βάση τη Σημασιολογία

Μάθημα 6 / 18 Ενημερώθηκε 2 Νοεμβρίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Αναζήτηση Κώδικα με Βάση τη Σημασία
  2. Ευρετηρίαση ενός Καταλόγου Κώδικα
  3. Κωδικοποίηση και Ευρετηρίαση
  4. Αναζήτηση με Φυσική Γλώσσα
  5. Διαγλωσσική Αναζήτηση
  6. Αναζήτηση με Βάση την Υπογραφή Συνάρτησης
  7. Βασικά σημεία

Αναζήτηση Κώδικα με Βάση τη Σημασία

Η παραδοσιακή αναζήτηση κώδικα βασίζεται σε λέξεις-κλειδιά: πληκτρολογείτε το όνομα μιας συνάρτησης ή μια λέξη από ένα σχόλιο. Η σημασιολογική αναζήτηση κώδικα πηγαίνει ένα βήμα παραπέρα: εντοπίζει κώδικα με βάση τη σημασία ή την πρόθεσή του, ακόμη και αν οι ακριβείς όροι δεν ταιριάζουν.

Με το codestral-embed, μπορείτε να αναζητήσετε κώδικα χρησιμοποιώντας φυσική γλώσσα. Ένα ερώτημα όπως «συνάρτηση που ταξινομεί μια λίστα» θα εντοπίσει μια υλοποίηση quicksort, ακόμη και αν η λέξη «sort» δεν εμφανίζεται ποτέ στον κώδικα. Αυτό αντικατοπτρίζει την καθημερινή πραγματικότητα ενός προγραμματιστή που εντάσσεται σε ένα υπάρχον έργο: ξέρετε τι ψάχνετε, αλλά δεν έχετε ιδέα πώς το ονόμασε η προηγούμενη ομάδα.

Ευρετηρίαση ενός Καταλόγου Κώδικα

Το πρώτο βήμα είναι η εξαγωγή και η κωδικοποίηση κάθε αρχείου ή συνάρτησης σε ένα έργο. Η παρακάτω συνάρτηση διατρέχει το δέντρο καταλόγων και φιλτράρει τους φακέλους που θα επιβάρυναν άσκοπα το ευρετήριο. Μόνο το node_modules μπορεί να είναι δέκα φορές μεγαλύτερο από τον κώδικα που γράψατε πραγματικά, και κανένα από τα αρχεία του δεν είναι σχετικό με την αναζήτησή σας.

import os
import numpy as np
from mistralai.client import Mistral

client = Mistral(api_key=api_key)

def extract_code_files(directory, extensions=(".py", ".js", ".ts")):
    """Extract all code files from a directory."""
    code_files = []
    for root, dirs, files in os.walk(directory):
        # Ignore irrelevant directories
        dirs[:] = [d for d in dirs if d not in ("node_modules", ".git", "__pycache__", "venv")]
        for f in files:
            if any(f.endswith(ext) for ext in extensions):
                filepath = os.path.join(root, f)
                with open(filepath, "r", encoding="utf-8", errors="ignore") as fh:
                    content = fh.read()
                if content.strip():
                    code_files.append({
                        "path": filepath,
                        "content": content[:4000],  # Truncate if too long
                    })
    return code_files

# Extract files
code_files = extract_code_files("./my-project/")
print(f"{len(code_files)} code files found")

Δύο λεπτομέρειες υλοποίησης αξίζουν την προσοχή σας. Η τροποποίηση του dirs[:] επιτόπου δεν είναι απλώς συντομογραφία· είναι ο μόνος τρόπος για να αποτρέψετε το os.walk από το να κατέβει σε αυτούς τους καταλόγους. Η εκ νέου ανάθεση της μεταβλητής χωρίς τη χρήση slicing δεν θα είχε κανένα αποτέλεσμα. Όσον αφορά τον περιορισμό στους 4.000 χαρακτήρες, αυτό σας προστατεύει από τεράστια αρχεία που θα μπορούσαν να προκαλέσουν αποτυχία στο αίτημα, διατηρώντας παράλληλα την κεφαλίδα του αρχείου—εισαγωγές, κύριοι ορισμοί—η οποία μεταφέρει το πιο σημαντικό σήμα.

Κωδικοποίηση και Ευρετηρίαση

Η κωδικοποίηση πραγματοποιείται σε παρτίδες είκοσι αρχείων, με ένδειξη προόδου. Σε ένα αποθετήριο με αρκετές εκατοντάδες αρχεία, αυτός ο βρόχος εκτελείται για αρκετά λεπτά. Χωρίς έναν μετρητή, δεν έχετε τρόπο να διακρίνετε την αργή επεξεργασία από μια κλήση που έχει κολλήσει.

def index_code_files(code_files, batch_size=20):
    """Create embeddings for all code files."""
    all_embeddings = []

    for i in range(0, len(code_files), batch_size):
        batch = code_files[i:i + batch_size]
        inputs = [f["content"] for f in batch]

        response = client.embeddings.create(
            model="codestral-embed",
            inputs=inputs,
        )
        all_embeddings.extend([d.embedding for d in response.data])
        print(f"Encoded {min(i + batch_size, len(code_files))}/{len(code_files)}")

    return np.array(all_embeddings)

embeddings = index_code_files(code_files)
print(f"Index: {embeddings.shape}")

Η σειρά των ενσωματώσεων στον πίνακα ταιριάζει ακριβώς με τη σειρά των code_files. Αυτή η άρρητη αντιστοιχία αποτελεί τον άξονα για όλα όσα ακολουθούν: επιτρέπει σε ένα ευρετήριο που επιστρέφεται από την κατάταξη να δείχνει σε μια συγκεκριμένη διαδρομή αρχείου.

Αναζήτηση με Φυσική Γλώσσα

Το κύριο πλεονέκτημα του codestral-embed είναι ότι μπορείτε να αναζητήσετε χρησιμοποιώντας μια ερώτηση στα Γαλλικά ή στα Αγγλικά. Η συνάρτηση κωδικοποιεί το ερώτημα με το ίδιο μοντέλο, υπολογίζει τις ομοιότητες έναντι ολόκληρου του ευρετηρίου και επιστρέφει τα top_k καλύτερα αποτελέσματα μαζί με μια προεπισκόπηση του περιεχομένου.

from sklearn.metrics.pairwise import cosine_similarity

def search_code(query, code_files, embeddings, top_k=5):
    """Search for code using natural language descriptions."""
    # Encode the query
    response = client.embeddings.create(
        model="codestral-embed",
        inputs=[query],
    )
    query_emb = np.array(response.data[0].embedding)

    # Calculate similarities
    sims = cosine_similarity([query_emb], embeddings)[0]

    # Top-k results
    top_indices = np.argsort(sims)[::-1][:top_k]

    results = []
    for idx in top_indices:
        results.append({
            "path": code_files[idx]["path"],
            "score": float(sims[idx]),
            "preview": code_files[idx]["content"][:200],
        })
    return results

# Natural language searches
queries = [
    "email validation function",
    "database connection",
    "HTTP error handling",
    "sorting algorithm",
]

for query in queries:
    print(f"\n--- Query: '{query}' ---")
    results = search_code(query, code_files, embeddings, top_k=3)
    for r in results:
        print(f"  [{r['score']:.3f}] {r['path']}")

Το πεδίο preview έχει άμεση πρακτική χρησιμότητα: σας γλιτώνει από το να ανοίξετε πέντε αρχεία για να καταλάβετε ποιο ταιριάζει πραγματικά. Σε μια ενσωμάτωση επεξεργαστή κώδικα, αυτοί οι διακόσιοι χαρακτήρες γίνονται η γραμμή προεπισκόπησης που εμφανίζεται κάτω από κάθε αποτέλεσμα.

Διαγλωσσική Αναζήτηση

Το codestral-embed κατανοεί τη λογική ανεξάρτητα από τη γλώσσα. Μπορείτε να αναζητήσετε ένα μοτίβο Python και να βρείτε το ισοδύναμο σε JavaScript:

# Search using a code example in one language...
query_python = "def authenticate(username, password): check credentials and return token"

# ...and find the equivalent in another language
results = search_code(query_python, code_files, embeddings)
# May return a .js file with a similar function

Αυτή η δυνατότητα είναι ανεκτίμητη για εφαρμογές που χωρίζονται μεταξύ ενός backend σε Python και ενός frontend σε TypeScript, όπου ο ίδιος επιχειρηματικός κανόνας υλοποιείται μερικές φορές και στις δύο πλευρές. Η εύρεση και των δύο υλοποιήσεων από ένα μόνο ερώτημα σας βοηθά να εντοπίσετε αποκλίσεις πριν ένα σφάλμα τις αποκαλύψει στην παραγωγή.

Αναζήτηση με Βάση την Υπογραφή Συνάρτησης

Μπορείτε επίσης να αναζητήσετε με βάση την αναμενόμενη μορφή και όχι τη λειτουργική περιοχή. Περιγράφοντας τη δομή—μια ασύγχρονη συνάρτηση, μια κλάση, middleware, ένα test—κατευθύνετε την αναζήτηση προς έναν τύπο αντικειμένου κώδικα και όχι προς ένα θέμα.

technical_queries = [
    "async function that fetches data from API and handles errors",
    "class with CRUD methods for database operations",
    "middleware that checks authentication token",
    "unit test for user registration",
]

for q in technical_queries:
    results = search_code(q, code_files, embeddings, top_k=2)
    print(f"\n{q}:")
    for r in results:
        print(f"  -> {r['path']} (score: {r['score']:.3f})")

Δοκιμάστε αυτά τα τέσσερα ερωτήματα στο δικό σας αποθετήριο πριν προχωρήσετε. Θα παρατηρήσετε ότι τα αποτελέσματα επιδεινώνονται σημαντικά σε πολύ μεγάλα αρχεία, όπου η περικοπή των 4.000 χαρακτήρων απέκοψε το χρήσιμο μέρος. Αυτή είναι η στιγμή να αποφασίσετε αν θα ευρετηριάσετε ολόκληρα αρχεία ή, καλύτερα yet, συναρτήσεις αναλυμένες μία προς μία.

Βασικά σημεία

  • Το codestral-embed σας επιτρέπει να αναζητάτε κώδικα χρησιμοποιώντας περιγραφές σε φυσική γλώσσα
  • Η ευρετηρίαση περιλαμβάνει την κωδικοποίηση όλων των αρχείων κώδικα σε διανύσματα
  • Η διαγλωσσική αναζήτηση λειτουργεί: ένα μοτίβο Python βρίσκει το ισοδύναμο σε JS
  • Φιλτράρετε τους άσχετους καταλόγους (node_modules, .git, venv) κατά την εξαγωγή
  • Περικόψτε τα πολύ μεγάλα αρχεία για να παραμείνετε εντός των ορίων του μοντέλου